Phân tích lượt nghe trên Spotify: dữ liệu, thuật toán và khoa học về thành công âm nhạc

Informatec Digital » Recursos » Phân tích lượt nghe trên Spotify: dữ liệu, thuật toán và khoa học về thành công âm nhạc

Spotify đã trở thành phòng thí nghiệm hoàn hảo để nghiên cứu những yếu tố tạo nên một bài hát ăn khách : chúng ta có dữ liệu phát lại theo thời gian thực, các chỉ số nâng cao dành cho nghệ sĩ và hàng triệu người nghe đưa ra quyết định mỗi giây. Không chỉ đơn thuần là một nền tảng nghe nhạc, Spotify đã biến thành một cơ sở dữ liệu khổng lồ , nơi có thể phân tích các mô hình, cảm xúc, thể loại và chiến lược danh sách phát để hiểu tại sao một số bài hát lại thành công vang dội và những bài khác lại dần chìm vào quên lãng.

Trong những năm gần đây, các công cụ, nghiên cứu học thuật và mô hình máy học chuyên dụng cho việc phân tích các bài hát ăn khách trên Spotify đã xuất hiện : từ việc nghiên cứu các bảng xếp hạng biên tập như Today's Top Hits hay Rap Caviar, đến việc xây dựng các thuật toán có khả năng dự đoán liệu một bài hát có thuộc nhóm bài hát phổ biến nhất trong danh mục hay không. Đồng thời, Spotify for Artists đã dân chủ hóa quyền truy cập vào các số liệu này, cho phép bất kỳ nghệ sĩ nào cũng có thể xem ai đang nghe nhạc của họ, họ được phát hiện ở đâu và bằng cách nào, và điều chỉnh chiến lược sáng tạo và tiếp thị của mình cho phù hợp.

Phân tích lượt nghe trên Spotify chính xác là gì và tại sao nó lại quan trọng?

Khi nói về phân tích lượt nghe trên Spotify, chúng ta không chỉ đề cập đến số lần một bài hát được phát. Đó là một cách tiếp cận rộng hơn, kết hợp âm thanh, ngữ cảnh và hành vi người dùng để trả lời một câu hỏi khó nhưng rất quan trọng: liệu có thể dự đoán được sự thành công của một bài hát trước khi nó được phát hành? Sử dụng dữ liệu từ API của Spotify, các nhà nghiên cứu làm việc với các biến số như độ phổ biến, năng lượng, giá trị cảm xúc, thời lượng, nhịp độ và khả năng tạo điệu nhảy để cố gắng tìm ra câu trả lời chính xác hơn.

Cách tiếp cận này bắt nguồn từ cái gọi là "khoa học bài hát ăn khách ", một ý tưởng được Mike McCready phổ biến vào đầu những năm 2000: sử dụng thuật toán và mô hình toán học để dự đoán bài hát nào sẽ đạt thứ hạng cao trên bảng xếp hạng và đài phát thanh. Mặc dù các nghiên cứu ban đầu kết luận rằng điều này rất khó (và các mô hình không đủ chính xác), nhưng cục diện đã hoàn toàn thay đổi với sự ra đời của dịch vụ phát trực tuyến, sự gia tăng mạnh mẽ về khối lượng dữ liệu và sự hoàn thiện của các kỹ thuật học máy.

Hiện nay, Spotify cung cấp API cho phép truy cập hàng chục nghìn bản nhạc cùng các thuộc tính âm nhạc và ngữ cảnh của chúng: từ khóa nhạc và thể loại đến khả năng một bản nhạc là nhạc acoustic hay nhạc không lời, bao gồm cả các chỉ số được thiết kế đặc biệt để mô tả cảm nhận về bài hát (năng lượng, giá trị cảm xúc, khả năng nhảy theo, v.v.). Tất cả những điều này cho phép chuyển từ ý kiến ​​chủ quan sang phân tích định lượng chính xác hơn nhiều.

Trong khi đó, công cụ Spotify for Artists giúp người sáng tạo tránh bị sa đà vào các chỉ số phù phiếm và tập trung vào những điều thực sự quan trọng: phát triển khán giả lâu dài, tương tác, giữ chân người nghe và tác động của các nỗ lực tiếp thị đến việc tạo ra những người hâm mộ thực sự. Nói cách khác, số liệu rất quan trọng, nhưng phải có bối cảnh và mục đích chiến lược.

Danh sách phát chính thức và chiến lược: tầm quan trọng của các danh sách biên tập

Một trong những yếu tố quan trọng nhất trong bất kỳ phân tích nghiêm túc nào về các bản hit trên Spotify là vai trò của các playlist biên tập chính thức . Các playlist như Discover Weekly, Release Radar, Today's Top Hits, New Music Friday, Rap Caviar, Mint, hay ¡Viva Latino! hoạt động như những bộ khuếch đại mạnh mẽ: việc xuất hiện trong một trong số đó có thể thay đổi hoàn toàn quỹ đạo của một bài hát hoặc thậm chí cả sự nghiệp của một nghệ sĩ.

Các công cụ của bên thứ ba như Soundcharts cho phép bạn xem hiệu quả hoạt động của một nghệ sĩ trên các danh sách phát này : số lần xuất hiện, thời gian trụ lại, thị trường mà họ có ảnh hưởng lớn nhất, v.v. Loại phân tích này cho thấy rõ rằng sự hiện diện trên các bảng xếp hạng biên tập không chỉ là hình thức mà còn là một thành phần quan trọng trong chiến lược tăng trưởng trên nền tảng này.

Có một số tiêu chí thường xuyên được tuân thủ khi xây dựng danh sách phát chất lượng. Ví dụ, sự đa dạng về nghệ sĩ được đánh giá cao hơn so với việc lặp đi lặp lại cùng một tên tuổi . Những danh sách phát có cùng một nghệ sĩ xuất hiện quá nhiều lần thường nhận được điểm đánh giá thấp hơn vì chúng làm giảm cảm giác khám phá của người nghe.

Cần có sự cân bằng hài hòa giữa các thể loại . Khi một danh sách phát trộn quá nhiều thể loại mà không có định hướng rõ ràng, trải nghiệm sẽ trở nên rời rạc và điểm đánh giá sẽ giảm. Những danh sách phát hoạt động tốt nhất thường tập trung vào một hoặc một vài thể loại được xác định rõ ràng, giúp người dùng dễ dàng hiểu ngay những gì họ có thể mong đợi khi nhấn nút phát.

Một khía cạnh quan trọng khác là sự kết hợp giữa các bài hát nổi tiếng và những bài hát mới nổi . Danh sách phát chỉ bao gồm các bản hit đình đám thì cũng được, nhưng chúng không mang lại nhiều cơ hội khám phá. Ngược lại, danh sách phát kết hợp các bài hát đã thành danh với những viên ngọc quý ít được biết đến hơn thường tạo ra sự tương tác cao hơn và giúp tạo ra những bản hit mới.

Cuối cùng, có một sự đồng thuận chung rằng một danh sách phát nhạc hay nên có ít nhất 50 bài hát để mang lại trải nghiệm trọn vẹn . Những danh sách phát có ít hơn 10 bài hát thường bị đánh giá là kém chất lượng và nhận được điểm thấp hơn, điều này cũng ảnh hưởng đến chất lượng của các bài hát trong đó.

Lịch sử ngắn gọn về Spotify và nguồn gốc của hệ thống phân tích dữ liệu của nó.

Trước khi Spotify có thể thực hiện phân tích bài hát nổi bật một cách chuyên sâu, bản thân nền tảng này phải tìm được chỗ đứng trong ngành công nghiệp âm nhạc. Ý tưởng này, do người đồng sáng lập Daniel Ek nghĩ ra, nảy sinh sau sự sụp đổ của Napster vào năm 2002: ông muốn tạo ra một dịch vụ "tốt hơn cả việc vi phạm bản quyền, nhưng cũng mang lại lợi nhuận cho ngành công nghiệp ". Vào thời điểm đó, Ek đang điều hành uTorrent, một trong những phần mềm tải xuống và chia sẻ P2P hàng đầu, vì vậy ông có kiến ​​thức thực tế về thế giới phân phối trái phép.

Sau khi bán uTorrent cho BitTorrent vào cuối năm 2006, Ek tập trung hoàn toàn vào việc xây dựng Spotify. Ứng dụng này chính thức ra mắt vào năm 2008 tại Thụy Điển, sau khi đạt được các thỏa thuận cấp phép và góp vốn với các hãng thu âm lớn : Sony Music Entertainment, Universal Music Group và Warner Music Group. Một năm sau, nó mở rộng sang Anh, và vào năm 2011, ra mắt tại Mỹ.

Trong giai đoạn đầu đó, số lượng người đăng ký trả phí đã tăng từ khoảng 1 triệu ở châu Âu lên gần 4 triệu trên toàn cầu vào năm 2012. Đến năm 2016, Spotify đã công bố có 40 triệu người dùng trả phí và khoảng 100 triệu người dùng tổng cộng, củng cố vị thế của dịch vụ phát trực tuyến như hình thức tiêu thụ âm nhạc thống trị trên toàn thế giới.

Cùng lúc đó, các công cụ dữ liệu dành cho nghệ sĩ bắt đầu xuất hiện. Đầu tiên là Fan Insights , cung cấp cho một số nhóm quyền truy cập hạn chế vào dữ liệu phát trực tuyến: nhân khẩu học, vị trí địa lý và các xu hướng cơ bản. Năm 2017, giải pháp này phát triển thành Spotify for Artists, mở ra cơ hội cho tất cả nghệ sĩ xem các chỉ số quan trọng của họ và sử dụng dữ liệu để đưa ra quyết định về lưu diễn, phát hành và quảng bá.

Năm 2018, công ty đã niêm yết cổ phiếu với vốn hóa thị trường gần 30.000 tỷ đô la . Kể từ đó, số lượng thị trường mà công ty hoạt động tiếp tục tăng trưởng, cùng với tầm quan trọng của phân tích dữ liệu trong nền tảng. Từ một nhà cung cấp dịch vụ phát trực tuyến có bản quyền, công ty đã trở thành một cơ sở hạ tầng toàn cầu nơi dữ liệu đóng vai trò tối quan trọng.

Số liệu của Spotify: Làm thế nào để đo lường một bài hát ngoài lượt nghe?

Để xây dựng các mô hình dự đoán bài hát ăn khách, trước tiên cần phải hiểu loại dữ liệu mà API của Spotify cung cấp . Ví dụ, trong một nghiên cứu tập trung vào thị trường Ấn Độ, hơn 46.000 bản ghi bài hát đã được trích xuất từ ​​các danh sách phát do Spotify tạo ra, bao gồm nhiều thể loại và tiểu thể loại khác nhau.

Thông tin được sắp xếp thành nhiều khối. Ở cấp độ bài hát, chúng ta tìm thấy các dữ liệu như mã định danh, tiêu đề, nghệ sĩ, độ phổ biến, ngày phát hành và thời lượng tính bằng mili giây . Ở cấp độ album, ID và tên được lưu trữ. Ở cấp độ danh sách phát, tên, ID, thể loại và thể loại phụ liên quan sẽ xuất hiện.

Nhưng khía cạnh thú vị nhất trong phân tích các bản hit chính là các đặc điểm âm thanh , được chia thành nhiều loại khác nhau: đặc điểm tâm trạng (khả năng tạo nhịp điệu, năng lượng, sắc thái, nhịp độ), đặc tính vật lý (độ lớn âm thanh, độ rõ nét của lời nói, độ rõ nét của nhạc cụ), bối cảnh (độ vang, độ sống động) và các đoạn nhạc (khóa, điệu). Mỗi biến số này đều được định nghĩa và chuẩn hóa cẩn thận.

Ví dụ, khả năng dễ nhảy được thể hiện bằng một giá trị từ 0 đến 1, tóm tắt mức độ dễ dàng khi nhảy theo một bài hát , dựa trên các yếu tố như nhịp điệu, độ ổn định của nhịp độ và cường độ của nhịp. Năng lượng cũng dao động từ 0 đến 1 và cố gắng thể hiện xem bản nhạc nghe có vẻ mạnh mẽ, nhanh và đầy uy lực, hay nhẹ nhàng hơn.

Valency mô tả cảm nhận về sự "tích cực" về mặt cảm xúc của âm thanh: giá trị thấp tương ứng với cảm xúc buồn bã, căng thẳng hoặc u ám, trong khi giá trị cao phù hợp với âm nhạc vui tươi, tươi sáng hoặc hưng phấn. Acousticness đo lường khả năng một bản nhạc được thu âm tự nhiên, liveness đo lường sự hiện diện của khán giả trực tiếp trong bản ghi âm, và speechiness phản ánh tỷ lệ lời nói trong bản phối (rất cao, ví dụ, trong podcast hoặc các bản nhạc có lời nói).

Các thông số quan trọng khác bao gồm nhịp độ (BPM) , tổng thời lượng, khóa nhạc (được mã hóa dưới dạng số nguyên), điệu thức (trưởng hoặc thứ) và độ phổ biến của bài hát. Độ phổ biến là một chỉ số nội bộ của Spotify, dao động từ 0 đến 100 và phụ thuộc vào cả số lượng lượt nghe và thời gian phát lại . Một bài hát từng rất nổi tiếng nhiều năm trước nhưng hiện nay ít được phát sẽ thấy điểm số của nó giảm dần theo thời gian.

Cách chuẩn bị và làm sạch tập dữ liệu để có thể dự đoán lượt truy cập

Một bước thường bị bỏ qua khi thảo luận về phân tích lượt nghe trên Spotify là việc chuẩn bị bộ dữ liệu . Trong nghiên cứu này, dữ liệu được thu thập bằng R và RStudio, bằng cách gọi API của Spotify với các tổ hợp khác nhau của thị trường (Ấn Độ), thể loại và tiểu thể loại được lựa chọn dựa trên tầm ảnh hưởng toàn cầu và địa phương của chúng.

Khi kết hợp các bài hát từ nhiều danh sách phát theo chủ đề khác nhau, việc nhiều bài hát bị lặp lại là điều thường xảy ra, bởi vì cùng một bài hát có thể xuất hiện trong các danh sách khác nhau. Vì mục tiêu không phải là phân tích chiến lược tạo danh sách phát mà là đặc điểm của các bài hát, nên các bài hát trùng lặp đã được loại bỏ , giảm tổng số bài hát độc đáo từ 46.417 xuống còn khoảng 39.147 bài.

Các cột không được sử dụng làm biến giải thích trong mô hình, chẳng hạn như nghệ sĩ, ID và tên album, và các trường dành riêng cho danh sách phát, đã bị loại bỏ. Đồng thời, tên trường được chuẩn hóa và kiểu dữ liệu được điều chỉnh: ví dụ, độ phổ biến, chế độ, khóa và thời lượng được chuyển đổi thành giá trị thập phân để thuận tiện cho phân tích thống kê.

Một quyết định quan trọng là chuyển đổi mức độ phổ biến thành một biến số dễ quản lý hơn. Thay vì sử dụng giá trị liên tục từ 0 đến 100, một ngưỡng đã được xác định để phân biệt các bài hát phổ biến và không phổ biến . Lấy phân vị thứ 85 của phân bố (khoảng mức độ phổ biến là 65), các bài hát có giá trị trên ngưỡng này được coi là "phổ biến" và phần còn lại là "không phổ biến".

Theo cách này, tập dữ liệu được chia thành gần 6.000 bài hát nổi tiếng và khoảng 33.000 bài hát không nổi tiếng . Để phục vụ cho phân tích thăm dò, nó thậm chí còn được phân chia thành năm mức độ phổ biến (rất cao, cao, trung bình, thấp và rất thấp), với khoảng cách 20 điểm, cho phép so sánh các xu hướng tinh tế giữa các mức độ thành công.

Ngoài ra, một biến mới được tạo ra từ tiêu đề bài hát: một chỉ báo cảm xúc . Sử dụng thư viện TextBlob trong Python, độ phân cực của mỗi tiêu đề (một số nằm giữa -1 và 1) được tính toán và phân loại là tích cực, tiêu cực hoặc trung tính. Giá trị số này được thêm vào khung dữ liệu để nghiên cứu xem liệu giọng điệu của tiêu đề có liên quan đến mức độ phổ biến của nó hay không.

Phân tích dữ liệu: Điều gì làm nên sự khác biệt của những bài hát nổi tiếng nhất

Trước khi huấn luyện bất kỳ mô hình học máy nào, điều cần thiết là phải dành thời gian để khám phá dữ liệu bằng hình ảnh và thống kê . Trong nghiên cứu này, các đường cong phân bố, giá trị trung bình trên mỗi nhóm mức độ phổ biến và mối quan hệ giữa cảm xúc và sự thành công đã được phân tích.

Một trong những phát hiện đáng chú ý liên quan đến giá trị cảm xúc của những bài hát thành công nhất. Khi xem xét các bài hát có điểm phổ biến trên 90, người ta nhận thấy rằng phần lớn trong số đó có giá trị cảm xúc dưới 0,5 ; nghĩa là, chúng nghe có vẻ buồn hơn, u ám hơn, hoặc ảm đạm hơn là vui tươi. Đó không phải là sự chiếm ưu thế tuyệt đối, nhưng đó là một xu hướng rõ ràng.

Khi vẽ biểu đồ phân bố độ phổ biến theo thể loại, hầu hết các đường cong đều có hình dạng gần giống hình chuông , với nhiều bài hát nằm xung quanh mức trung bình và ít hơn ở các thái cực. Tuy nhiên, các thể loại như rock, R&B, EDM, nhạc thế giới và nhạc Ấn Độ lại cho thấy sự bất đối xứng do có một số lượng lớn các bài hát không có độ phổ biến. Ngược lại, các thể loại như pop, rap, nhạc Latin và nhạc Ấn Độ có vẻ cân bằng hơn và ít tập trung ở mức độ phổ biến bằng không.

Điều này cho thấy rằng trong những thể loại nhạc phổ biến hơn, nhìn chung dễ đạt được một mức độ nổi tiếng nhất định , ngay cả khi các bài hát không có tất cả các đặc điểm lý tưởng, trong khi ở các thể loại khác, sự phân bố thành công lại phân cực hơn.

Khi so sánh điểm trung bình của các đặc điểm khác nhau theo mức độ phổ biến, một mô hình rất rõ ràng đã xuất hiện: các bài hát thành công nhất thường có năng lượng và âm lượng lớn hơn (âm lượng cảm nhận) , cũng như nhiều nhạc cụ hơn và ít lời thoại hơn. Nói một cách đơn giản, những bài hát đạt hiệu quả tốt nhất trên các nền tảng phát trực tuyến thường mạnh mẽ hơn và tập trung vào âm nhạc hơn là lời nói.

Người ta cũng nhận thấy rằng các bản nhạc phổ biến thường có độ mộc mạc và sống động thấp hơn ; nghĩa là, chúng nghe ít "mộc mạc" và ít "sống động" hơn. Chúng được sản xuất trong phòng thu nhiều hơn, trau chuốt hơn, ít tiếng ồn xung quanh hoặc cảm giác giống như một buổi hòa nhạc.

Một phát hiện quan trọng khác là các bài hát nổi tiếng thường ngắn hơn các bài hát ít nổi tiếng . Trong bối cảnh doanh thu phụ thuộc vào số lượt nghe trực tuyến và thuật toán ưu tiên sự lặp lại, việc các bài hát ngắn hơn có thể tích lũy lượt nghe nhanh hơn và dễ được đưa vào danh sách phát hơn là điều dễ hiểu.

Về cảm nhận hạnh phúc (giá trị cảm xúc), xu hướng khá thú vị: mức độ tăng dần từ các nhóm ít nổi tiếng hơn đến nhóm "cao cấp", nhưng ở nhóm cực đoan nhất, "rất nổi tiếng", lại có sự sụt giảm rõ rệt. Nói cách khác, những bài hát siêu nổi tiếng thường nghe có vẻ buồn hơn những bài hát chỉ "thành công" , điều này mở ra nhiều cách diễn giải về thị hiếu công chúng và bối cảnh cảm xúc xã hội.

Phân tích thống kê: tác động của thể loại và thuộc tính âm thanh

Sau khi phân tích dữ liệu, bước tiếp theo là áp dụng các bài kiểm tra thống kê chính thức để xem biến số nào có thể được coi là có liên quan trong việc giải thích mức độ phổ biến. Để nghiên cứu xem giới tính có ảnh hưởng đến thành công hay không, phương pháp phân tích phương sai (ANOVA) đã được sử dụng với chín thể loại chính.

Kết quả phân tích ANOVA cho thấy giá trị F rất cao và hầu như không có ý nghĩa thống kê, có nghĩa là có sự khác biệt đáng kể về mặt thống kê về mức độ phổ biến giữa các giới tính . Tuy nhiên, điều đó vẫn chưa đủ: điều quan trọng là phải biết sự khác biệt này tồn tại giữa những cặp giới tính nào và liệu biến số đó có hữu ích cho mô hình dự đoán hay không.

Do sự khác biệt về phương sai không đồng nhất và số lượng bài hát trên mỗi thể loại cũng khác nhau, nên chúng tôi đã sử dụng phép kiểm định hậu nghiệm Games-Howell . Phân tích này cho phép chúng tôi xác định những sự kết hợp thể loại nào không cho thấy sự khác biệt đáng kể về mức độ phổ biến, từ đó, nhìn chung, làm giảm tính hiệu quả của việc sử dụng thể loại như một yếu tố dự đoán mạnh trong các mô hình học máy.

Song song đó, các phép kiểm định t độc lập được thực hiện cho từng đặc điểm âm thanh, so sánh giá trị trung bình giữa nhóm bài hát phổ biến và nhóm bài hát không phổ biến. Ở mức ý nghĩa 95%, hầu hết các biến số (khả năng tạo điệu nhảy, năng lượng, độ lớn âm thanh, độ vang, độ sống động, thời lượng, nhịp độ, sắc thái cảm xúc và tính chất nhạc cụ) đều cho thấy sự khác biệt đáng kể giữa hai nhóm.

Ngoại lệ duy nhất rõ ràng là tính lưu loát ngôn từ . Trong thử nghiệm đầu tiên, sự khác biệt về giá trị trung bình không đáng kể, nhưng phân tích sâu hơn cho thấy phạm vi lưu loát ngôn từ đối với các chủ đề rất phổ biến (với giá trị từ 0,024 đến 0,685) nằm trong phạm vi rộng hơn của nhóm ít phổ biến hơn (từ 0 đến 0,964). Sự chồng chéo này không ngăn cản tính lưu loát ngôn từ, khi được sử dụng hiệu quả, đóng góp thông tin cho mô hình, vì vậy người ta quyết định giữ lại nó như một biến dự đoán.

Tóm lại, khối đặc điểm âm thanh thể hiện sức mạnh mô tả rõ ràng về mức độ phổ biến , trong khi thể loại được xử lý thận trọng hơn và bị loại bỏ như một biến chính trong một số phương pháp dự đoán.

Xây dựng mô hình học máy để dự đoán số lượt truy cập

Sau khi làm sạch tập dữ liệu và chọn ra các biến liên quan, đã đến lúc tạo ra các mô hình phân loại nhị phân có khả năng dự đoán liệu một bài hát có thuộc top 15% bài hát phổ biến nhất hay không. Để làm điều này, các biến phân loại "key" và "mode" trước tiên được chuyển đổi thành các biến giả bằng cách sử dụng hàm `get_dummies` của thư viện Pandas.

Sau khi kết hợp các biến giả này, các cột âm điệu và chế độ ban đầu, cũng như mức độ phổ biến liên tục, đã bị loại bỏ, và trường mức độ phổ biến nhị phân (phổ biến so với không phổ biến) được giữ lại làm biến mục tiêu. Trước khi huấn luyện các mô hình, tất cả các đặc trưng số đều được chuẩn hóa bằng StandardScaler, vì chúng hoạt động trên các thang đo rất khác nhau và điều quan trọng là chúng phải có trọng số tương đương.

Tập dữ liệu được chia thành tập huấn luyện và tập kiểm tra bằng hàm train_test_split, dành 20% số bản ghi cho việc kiểm tra . Điều này giúp ngăn ngừa rò rỉ dữ liệu và đảm bảo các chỉ số hiệu suất phản ánh khả năng khái quát thực tế của mô hình, chứ không chỉ khả năng ghi nhớ dữ liệu huấn luyện.

Mô hình đầu tiên được áp dụng là Hồi quy Logistic , một kỹ thuật được sử dụng rộng rãi trong phân loại nhị phân. Một phiên bản lặp với tốc độ học là 0,01 và 200 lần lặp đã được triển khai và đánh giá bằng phương pháp kiểm chứng chéo. Độ chính xác trung bình đạt khoảng 84,7%, một kết quả rất khả quan đối với một bài toán phức tạp như dự đoán thành công trong âm nhạc.

Tiếp theo, thuật toán K-Nearest Neighbors (KNN) được thử nghiệm , thuật toán này phân loại mỗi bài hát dựa trên k láng giềng gần nhất của nó trong không gian đặc trưng. Bằng cách điều chỉnh giá trị của ky bằng phương pháp tìm kiếm lưới (Grid Search) để tìm cấu hình tối ưu, độ chính xác tương tự đã đạt được, khoảng 84,8%, với sự cải thiện nhẹ về điểm số kiểm định chéo so với hồi quy logistic.

Mô hình tiếp theo là Máy hỗ trợ vectơ (SVM) , một kỹ thuật học có giám sát khác có khả năng xử lý cả mối quan hệ tuyến tính và phi tuyến tính. Một lần nữa, thông qua việc điều chỉnh siêu tham số, độ chính xác đạt khoảng 84,6%, với các giá trị tương đương trong kiểm định chéo, cho thấy hiệu suất ổn định.

Mô hình phân loại Naive Bayes , dựa trên giả định về sự độc lập giữa các đặc trưng, ​​cũng đã được đánh giá . Mặc dù là một mô hình đơn giản hơn nhiều về mặt giả định, kết quả độ chính xác của nó (khoảng 84,6%) tương đương với SVM và rất gần với hồi quy logistic và KNN, củng cố ý tưởng rằng cấu trúc bài toán rất phù hợp với loại phương pháp xác suất này.

Cuối cùng, các mô hình dựa trên cây quyết định đã được thử nghiệm. Mô hình phân loại cây quyết định đạt độ chính xác thấp hơn đáng kể, khoảng 75,4%, và kiểm định chéo đã xác nhận sự sụt giảm hiệu suất này, có thể do vấn đề quá khớp dữ liệu. Mô hình phân loại rừng ngẫu nhiên , kết hợp nhiều cây để làm giảm bớt các hiệu ứng này, đã cải thiện đáng kể, đạt độ chính xác khoảng 84,1% và hơn 84% trong kiểm định chéo.

Để hoàn tất phân tích, ma trận nhầm lẫn và báo cáo phân loại đã được tạo ra cho thuật toán Rừng ngẫu nhiên. Mô hình cho thấy khả năng xuất sắc trong việc xác định các bài hát không phổ biến (lớp đa số), với độ chính xác là 0,85 và độ thu hồi gần 0,99, trong khi hiệu suất của nó trong lớp bài hát phổ biến (lớp thiểu số) khiêm tốn hơn, với độ chính xác là 0,40 và độ thu hồi là 0,05. Điều này làm nổi bật thách thức kinh điển về sự mất cân bằng lớp trong loại bài toán này.

Tầm quan trọng của các biến số: yếu tố nào có trọng lượng lớn nhất khi tạo ra một bản hit

Ngoài việc biết mô hình nào chính xác nhất, điều quan trọng là phải hiểu những đặc điểm nào thực sự cung cấp thông tin hữu ích khi dự đoán liệu một bài hát có trở nên phổ biến hay không. Để đạt được điều này, XGBoost (XGBClassifier) ​​đã được sử dụng để thu được điểm số tầm quan trọng của biến, dựa trên đóng góp của mỗi đặc điểm trong việc giảm lỗi trong cây quyết định.

Kết quả cho thấy độ dài của bài hát nổi bật hơn hẳn so với các bài khác , với điểm F cao hơn 400. Phát hiện này phù hợp với quan điểm cho rằng các bài hát ngắn hơn khuyến khích người nghe nghe đi nghe lại nhiều lần và do đó tích lũy được nhiều lượt phát hơn trong thời gian ngắn hơn, điều mà thuật toán đề xuất của Spotify thường ưu tiên.

Ở thái cực đối lập, các biến như từ khóa, chế độ hoặc cảm xúc được trích xuất từ ​​chính tiêu đề lại nhận được điểm quan trọng dưới 50, cho thấy đóng góp của chúng vào khả năng dự đoán tổng thể của mô hình là rất nhỏ. Điều này không có nghĩa là chúng hoàn toàn không có tác dụng, mà chỉ là, so với các đặc điểm khác, trọng lượng của chúng nhỏ hơn nhiều.

Các thuộc tính âm thanh còn lại (như năng lượng, khả năng tạo nhịp điệu, độ cao âm thanh, độ vang, độ sống động, độ rõ nét của giọng nói và độ rõ nét của nhạc cụ) nằm trong phạm vi trung bình, với điểm F từ 200 đến 300, cho thấy chúng tạo thành một khối thông tin khá cân bằng . Không thuộc tính nào hoàn toàn chiếm ưu thế, nhưng cùng nhau chúng giúp xây dựng một bức tranh khá chính xác về cơ hội thành công của một bài hát.

Nhìn chung, các mô hình dựa trên đặc điểm âm thanh có thể dự đoán với độ chính xác khoảng 84-85% liệu một bài hát có nằm trong top 15% bài hát phổ biến nhất hay không , điều này cung cấp một số bằng chứng thực nghiệm cho trực giác cũ về "khoa học bài hát ăn khách": với dữ liệu tốt và kỹ thuật phù hợp, thành công trong âm nhạc không hoàn toàn là ngẫu nhiên, mặc dù vẫn có một yếu tố không thể dự đoán được đáng kể.

Phân tích này cho thấy rằng việc kết hợp dữ liệu Spotify, thống kê truyền thống và mô hình máy học cho phép chúng ta vượt xa việc chỉ đơn thuần đếm số lượt nghe. Hiểu được tác động của thời lượng, năng lượng, giá trị cảm xúc và nhạc cụ, cùng với vai trò của danh sách phát do biên tập viên chọn lọc và cơ chế đề xuất của nền tảng, cung cấp cho nghệ sĩ, hãng thu âm và nhà phân tích một lộ trình rất cụ thể để lý giải tại sao một số bài hát trở thành hit và làm thế nào họ có thể tối đa hóa cơ hội gia nhập nhóm những bài hát được chọn đó mà không làm mất đi yếu tố con người và sáng tạo, điều mà may mắn thay, vẫn không thể quy giản thành bất kỳ công thức nào.